Hasil Pencarian  ::  Simpan CSV :: Kembali

"There are many people who think that critical thinking is something difficult to do and is inteded to those who study at college or those who study philosophy and for those who possesess high IQ (genius)...."

"One of the teaching method is called his jigsaw method that can make the math makes lesson more interesting and increase the result of the test. In this method the student study in group and they solve problems together so that the teaching and learning process will be : exploration , elaboration, confrimation can be seen and applied . and the knowledge that they had got can be fixed in their mind."

"This classroom action research was held at SMAN I Koto Baru Dharmasrya with the aim is to improving student's motivation in laering mathematic through cooperative learning with two stay- two stray model plus hula hoop as a media."

"Demam Berdarah Dengue (DBD) masih menjadi masalah kesehatan yang utama di Indonesia.  Berdasarkan data dari Kemenkes RI, pada tahun 2022 jumlah insiden DBD dicatat sebanyak 131.265 yang mana sekitar 40% adalah anak-anak usia 0 sampai 14 tahun dengan jumlah kasus kematian mencapai 1.135 jiwa dengan 73% terjadi pada anak-anak usia 0 sampai 14 tahun. DBD disebabkan oleh virus dengue yang disebarkan melalui gigitan nyamuk Aedes aegypti  dan Aedes albopictus.. Selain faktor kebersihan lingkungan dan kebiasaan masyarakat, tingginya insiden DBD di Indonesia juga dipengaruhi oleh beberapa faktor iklim seperti curah hujan, temperatur, dan kelembapan. Memaksimalkan proses pencegahan DBD oleh pemerintah dan masyarakat dapat menekan tingginya kasus DBD di Indonesia. Salah satu cara untuk memaksimalkan proses pencegahan DBD adalah dengan melakukan prediksi jumlah insiden DBD yang akan terjadi kedepannya. Dengan mengetahui hasil prediksi jumlah insiden DBD, diharapkan masyarakat dan pemerintah dapat memaksimalkan proses pencegahan DBD. Pada tugas akhir ini, dilakukan prediksi jumlah insiden DBD menggunakan convolutional neural network dan extreme gradient boosting, dengan jumlah insiden sebelumnya dan faktor cuaca sebelumnya yang terdiri dari temperatur, curah hujan, dan kelembapan relatif sebagai variabel prediktor. Variabel prediktor yang digunakan ditentukan berdasarkan time lag dari masing-masing variabel prediktor terhadap jumlah insiden DBD menggunakan korelasi silang. Model convolutinal neural network dan extreme gradient boosting yang dibentuk dievaluasi dan dibandingkan berdasarkan nilai Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan waktu simulasi. Pada tugas akhir ini, convolutional neural network memberikan performa yang lebih baik dibandingkan dengan extreme gradient boosting berdasarkan nilai RMSE dan MAE dengan rata-rata 13,3586 untuk RMSE dan 9,2249 untuk MAE. Berdasarkan waktu simulasi, extreme gradient boosting memberikan performa yang lebih cepat dibandingkan convolutional neural network.

---

Dengue Hemorrhagic Fever (DHF) remains a major health problem in Indonesia. Based on data from the Ministry of Health of Indonesia, in 2022, the number of DHF incidents recorded was 131,265, of which approximately 40% were children aged 0 to 14 years, with a total of 1,135 deaths, 73% of which occurred in children aged 0 to 14 years. DHF is caused by the dengue virus, which is transmitted through the bites of Aedes aegypti and Aedes albopictus mosquitoes. In addition to environmental cleanliness and societal habits, the high incidence of DHF in Indonesia is also influenced by several climate factors such as rainfall, temperature, and humidity. Maximizing the DHF prevention process by the government and the community can help reduce the number of DHF cases in Indonesia. One way to maximize the DHF prevention process is by predicting the future number of DHF incidents. By knowing the predicted number of DHF incidents, it is hoped that the community and the government can maximize the DHF prevention process. In this final project, the prediction of the number of DHF incidents is carried out using convolutional neural network and extreme gradient boosting, with the previous incident counts and previous weather factors consisting of temperature, rainfall, and relative humidity as predictor variables. The predictor variables used are determined based on the time lag of each predictor variable on the number of DHF incidents using cross-correlation. In this final project, the convolutional neural network outperforms extreme gradient boosting based on the RMSE and MAE values, with an average of 13.3586 for RMSE and 9.2249 for MAE. However, in terms of simulation time, extreme gradient boosting demonstrates faster performance compared to the convolutional neural network."

"Demam Berdarah Dengue (DBD) adalah penyakit yang disebabkan oleh virus dengue yang termasuk anggota genus Flavivirus dan keluarga Flaviviridae yang menyebar melalui nyamuk Aedes (Stegomyia). Jumlah kasus DBD di seluruh dunia dilaporkan meningkat lebih dari 8 kali lipat selama dua dekade terakhir, dari 505.430 kasus pada tahun 2000, menjadi lebih dari 2,4 juta pada tahun 2010, dan 5,2 juta pada tahun 2019. Peningkatan insiden DBD dipengaruhi oleh berbagai faktor, baik itu faktor alam, kebiasaan manusia, hingga jenis virus penyebab DBD itu sendiri. Faktor alam yang dimaksud disini antara lain faktor iklim, seperti curah hujan (mm), temperatur rata-rata (℃), dan kelembapan rata-rata (%). Peningkatan insiden DBD dapat dicegah dengan upaya pencegahan yang dilakukan sedini mungkin oleh pemerintah dan masyarakat. Informasi prediksi tren insiden DBD dapat menjadi masukan bagi masyarakat dan pemerintah untuk meningkatkan kewaspadaan terhadap peningkatan insiden DBD di DKI Jakarta. Dalam melakukan prediksi tren insiden DBD, dapat dilakukan dengan berbagai pendekatan, salah satu diantaranya adalah machine learning. Pada tugas akhir ini, implementasi machine learning menggunakan model The Attention Mechanism-Enhanced LSTM (LSTM-ATT) dan Poisson Regression, akan digunakan untuk memprediksi tren insiden DBD dari waktu ke waktu. LSTM-ATT adalah sebuah model machine learning yang digunakan untuk memproses data sequence. Poisson Regression adalah model regresi yang dapat digunakan pada data yang variabel responnya berdistribusi Poisson dan bertipe diskrit. Prediksi yang akan dilakukan didasarkan pada jumlah insiden DBD sebagai variabel respon, serta faktor iklim seperti curah hujan, suhu, dan kelembapan sebagai variabel prediktor. Untuk proporsi data, kedua model tersebut menggunakan proporsi data training sebesar 80% dan data testing sebesar 20%. Model yang dibentuk ini dievaluasi dengan nilai dari Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil implementasi terbaik pada skrips ini dihasilkan oleh model LSTM-ATT dengan evaluasi di setiap wilayah DKI Jakarta: Jakarta Pusat RMSE: 9,5727, MAE: 6,6946; Jakarta Timur RMSE: 21,5288, MAE: 15,6365; Jakarta Barat RMSE: 16,3683, MAE: 12,4908; Jakarta Utara RMSE: 23,5911, MAE: 15,2969; Jakarta Selatan RMSE: 18,3811, MAE: 14,0262.

---

Dengue Hemorrhagic Fever (DHF) is a disease caused by the dengue virus, which belongs to the Flavivirus genus and Flaviviridae family, transmitted through Aedes mosquitoes (Stegomyia). The number of DHF cases worldwide has reported an increase of more than 8 times over the past two decades, from 505,430 cases in 2000 to over 2.4 million in 2010 and 5.2 million in 2019. The increase in DHF incidence is influenced by various factors, including natural factors, human behavior, and the type of dengue virus itself. Natural factors include climate factors such as rainfall (mm), average temperature (℃), and average humidity (%). The increase in DHF incidence can be prevented through early prevention efforts by the government and the community. Predicting the trend of DHF incidence can provide input for the community and the government to increase vigilance against the increasing incidence of DHF in Jakarta. Various approaches can be used for predicting the trend of DHF incidence, one of which is machine learning. In this final project, the implementation of machine learning using the LSTM-ATT and Poisson Regression models will be used to predict the trend of DHF incidence over time. LSTM-ATT is a machine learning model used to process sequential data, such as time series data. On the other hand, Poisson Regression is a regression model that can be used for data with Poisson-distributed response variables and discrete types. The prediction will be based on the number of DHF incidents as the dependent variable, and climate factors such as rainfall, temperature, and humidity as independent variables. The performance of the models will be evaluated using the Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The best implementation results in this thesis were produced by the LSTM-ATT model with evaluation in each area of DKI Jakarta: Central Jakarta RMSE: 9.5727, MAE: 6.6946; East Jakarta RMSE: 21.5288, MAE: 15.6365; West Jakarta RMSE: 16.3683, MAE: 12.4908; North Jakarta RMSE: 23.5911, MAE: 15.2969; South Jakarta RMSE: 18.3811, MAE: 14.0262."

"Tanaman padi merupakan salah satu tanaman pangan terpenting di dunia terutama di negara-negara bagian Southeast Asia. Jumlah penduduk di dunia pun semakin meningkat setiap tahunnya sehingga kebutuhan akan makanan pokok seperti beras juga akan semakin meningkat. Namun karena adanya serangan hama dan penyakit pada tanaman padi menyebabkan kualitas dan kuantitas pada tanaman padi menurun sehingga terjadi kerugian besar dalam produksi beras. Untuk mengatasi masalah tersebut, pendeteksian penyakit pada tanaman padi menjadi sangat penting karena dapat mencegah terjadinya penurunan produksi beras. Oleh karena ini, pemrosesan data citra dan machine learning bisa menjadi salah satu cara untuk membantu mempercepat diagnosis penyakit pada tanaman padi. Pada penelitian ini, penulis menggunakan pendekatan deep learning yaitu metode Convolutional Neural Network (CNN) dengan arsitektur Xception untuk mengklasifikasi penyakit pada tanaman padi menggunakan citra daun. Data citra daun tanaman padi yang digunakan dalam penelitian ini adalah Rice Leaf Disease Image Samples yang diambil dari online database mendeley yang berisi 5932 data citra yang terdiri dari empat jenis penyakit daun padi yaitu penyakit hawar daun (Bacterial leaf blight), penyakit blas (Blast), penyakit bercak daun cokelat (brown spot), dan penyakit Tungro. Penulis melakukan tahap preprocessing sepeti crop dan resize agar ukuran citra sesuai dengan input pada model. Selanjutnya, Model akan dibangun melalui data tersebut, yang dilatih menggunakan metode CNN dengan arsitektur Xception. Data di split dengan perbandingan data latih dan data uji 70:30 dan 80:20. Kinerja model dievaluasi dengan nilai accuracy, recall, precision, dan running time. Rata-rata Accuracy, recall, dan precision yang dilakukan dalam 5 kali percobaan didapatkan pada split data 70:30 adalah masing-masing 99.708%, 99.707 %, dan 99.728% dan pada split data 80:20 masingmasing 99,662%, 99,688%, dan 99,687%. Running time yang didapatkan pada split data 70:30 adalah 43 menit dan pada split data 80:20 adalah 49 menit.

---

Rice is one of the most important food crops in the world, especially in Southeast Asian countries. The world's population is increasing every year so that the need for staple foods such as rice will also increase. However, due to pest and disease attacks on rice plants, the quality and quantity of rice plants decreases, resulting in huge losses in rice production. To overcome this problem, disease detection in rice plants is very important because it can prevent a decrease in rice production. For this reason, looking at image data and machine learning can be one way to help encourage disease diagnosis in rice plants. In this study, the author uses a deep learning approach, namely the Convolutional Neural Network (CNN) method with Xception architecture to classify diseases in rice plants using leaf imagery. The rice leaf image data used in this study is the Rice Leaf Disease Image Sample taken from the online mendeley database which contains 5932 image data consisting of four types of rice leaf disease, namely bacterial leaf blight and blast disease. , brown leaf spot disease (brown spot), and Tungro disease. The author performs preprocessing stages such as cropping and resizing so that the image size matches the input in the model. Furthermore, the model that will be built through the data uses the CNN method with the Xception architecture. The data is split with a comparison of training data and test data of 70:30 and 80:20. Value Performance Model with values of accuracy, recall, precision, and running time. The average accuracy, recall, and precision carried out in 5 trials at the 70:30 data split were 99.708%, 99.707%, and 99.728%, respectively, and in the 80:20 data split they were 99.662%, 99.688%, respectively, and 99.687%. The running time obtained in the 70:30 data split is 43 minutes and the 80:20 data split is 49 minutes."

"Kanker menjadi penyebab utama kematian global yang menyebabkan hampir 10 juta kematian atau hampir seperenam kasus kematian pada tahun 2020. Tindakan pencegahan primer yang efektif dapat mencegah setidaknya 40% kasus kanker. Tingkat kematian akibat kanker di negara berkembang lebih tinggi dibandingkan dengan negara maju, mencerminkan kesenjangan dalam menangani faktor risiko, keberhasilan deteksi, dan pengobatan. Wanita di negara berkembang paling sering menderita kanker serviks. Masyarakat terutama wanita memerlukan pengetahuan mengenai faktor risiko kanker serviks. Salah satu solusi potensial untuk masalah ini peran machine learning dalam mempelajari data pasien kanker serviks. Penelitian ini menggunakan algoritma clustering K-Prototypes, yang dapat mengelompokkan data campuran, baik numerik maupun kategorik. Data faktor risiko kanker serviks dari pasien di RSUPN X digunakan dalam penelitian ini. Seleksi fitur dilakukan untuk meningkatkan kinerja algoritma KPrototypes, dengan membandingkan seleksi fitur menggunakan Variance Threshold dan Correlation Coefficient. Kinerja algoritma K-Prototypes terbaik didapatkan dengan menggunakan Correlation Coefficient yang ditinjau berdasarkan Silhouette Coefficient sebesar 0,6; Davies-Bouldin Index sebesar 0,6; dan Callinzki-Harabasz Index sebesar 1.080. Interpretasi cluster yang terbentuk dari simulasi menghasilkan perbedaan utama karakteristik faktor risiko dari dua cluster, yaitu umur, menopause, dan kondisi kesehatan seperti keputihan, pendarahan, nyeri perut bawah, dan penurunan nafsu makan. Sementara, faktor terkait riwayat terdahulu, kesehatan reproduksi, dan masalah gizi tidak menunjukkan perbedaan yang signifikan. Algoritma K-Prototypes diharapkan dapat menjadi solusi dalam mengidentifikasi kelompok berdasarkan faktor risiko kanker serviks untuk membantu tenaga medis dalam mengambil keputusan dan tindakan selanjutnya, serta pengetahuan bagi masyarakat.

---

Cancer is a leading cause of death worldwide, resulting in nearly 10 million deaths, or almost one-sixth of all deaths, in 2020. Effective primary prevention measures can prevent at least 40% of cancer cases. Cancer mortality rates are higher in developing countries compared to developed countries, reflecting disparities in addressing risk factors, detection success, and available treatments. Women in developing countries most frequently suffer from cervical cancer. It is crucial for communities, especially women, to have knowledge about the risk factors for cervical cancer. One potential solution to this issue is the role of machine learning in analyzing cervical cancer patient data. This study uses the K-Prototypes clustering algorithm, which can cluster mixed data, both numerical and categorical. Cervical cancer risk factor data from patients at X National General Hospital were used in this research. Feature selection was performed to improve the performance of the K-Prototypes algorithm, comparing feature selection using Variance Threshold and Correlation Coefficient. The best performance of the K-Prototypes algorithm was obtained using the Correlation Coefficient, as reviewed based on a Silhouette Coefficient of 0,6; a Davies-Bouldin Index of 0,6; and a Callinzki-Harabasz Index of 1.080. Interpretation of the clusters formed from the simulation revealed major differences in the characteristics of risk factors between two clusters, namely age, menopause, and health conditions such as leukorrhea, bleeding, lower abdominal pain, and loss of appetite. Meanwhile, factors related to previous history, reproductive health, and nutritional issues did not show significant differences. The K-Prototypes algorithm is expected to be a solution in identifying groups based on cervical cancer risk factors to assist medical professionals in decision-making and subsequent actions, as well as to provide knowledge to the public."

"E-Learning Management Systems (EMAS) adalah sebuah platform belajar daring yang digunakan oleh Universitas Indonesia (UI). Dengan menggunakan platform EMAS, aktivitas akademik mahasiswa dapat dipantau. Berdasarkan aktivitas akademik mahasiswa, dimungkinkan untuk menentukan klasifikasi performa akademik mahasiswa. Aktivitas akademik yang dimaksud diantaranya adalah mahasiswa mengakses EMAS, mahasiswa mengerjakan quiz di EMAS, dan mahasiswa berpartisipasi forum di EMAS. Pada tugas akhir ini digunakan model klasifikasi Naïve Bayes, yaitu klasifikasi dengan asumsi kondisi antar fitur adalah saling bebas. Hasil performa model dilihat dari nilai Matthew’s Correlation Coefficient (MCC) terbesar. Sebelum implementasi, ditentukan proporsi data training dan data testing terbaik. Proporsi 80%:20% dengan periode data 4 minggu adalah proporsi dengan nilai MCC terbesar, yaitu 0,4745. Metode Mutual Information menghasilkan tujuh fitur terpilih, yaitu banyaknya tugas yang diunggah, banyaknya materi yang dikunjungi, banyaknya kunjungan ke start quiz, banyaknya quiz yang diunggah, banyaknya materi dokumen yang dikunjungi, banyaknya forum yang dikunjungi, dan lamanya durasi mengerjakan quiz. Dengan 7 fitur terpilih, performa model naik sebesar 15,15%, dan performa model meningkat lagi sebesar 26,5% jika dilakukan oversampling dengan metode Synthetic Minority Oversampling Technique. Hasil prediksi dari 47 mahasiswa adalah 43 mahasiswa diprediksi benar lulus, 2 mahasiswa diprediksi benar tidak lulus, dan 2 mahasiswa yang diprediksi salah yaitu mahasiwa diprediksi tidak lulus namun sebenarnya lulus.

---

E-Learning Management Systems (EMAS) is an online learning platform that used by the University of Indonesia (UI). By using the EMAS platform, student academic activities can be monitored. Based on the student's academic activities, it is possible to determine the classification of student academic performance. The academic activities in question include students accessing EMAS, students taking quizzes at EMAS, and students participating in forums at EMAS. In this final project, the Naïve Bayes classification model is used, namely classification with the assumption that the conditions between features are independent of each other. The results of the model's performance are seen from the largest Matthew's Correlation Coefficient (MCC). Prior to implementation, the proportion of the best training and testing data is determined. The proportion of 80%:20% with a data period of 4 weeks is the proportion with the largest MCC value, which is 0.4745. The Mutual Information method resulted in seven selected features, namely the number of tasks uploaded, the number of materials visited, the number of visits to the quiz start, the number of quizzes uploaded, the number of document materials visited, the number of forums visited, and the length of duration of taking the quiz. With 7 selected features, the performance of the model increases by 15.15%, and the performance of the model increases again by 26.5% if oversampling is carried out using the Synthetic Minority Oversampling Technique method. The prediction results from 47 students were 43 students were predicted to pass correctly, 2 students were predicted to fail correctly, and 2 students were predicted to be wrong, namely students predicted not to pass but actually passed."

"Tujuan peneitian ini adalah untuk mengetahui perbedaan peningkatan kemampuan kognitif dan daya tahan retensi siswa pada materi ajar listrik arus searah antara kelas yang menerapkan model pembelajaran inkuiri terbombing berbantuan Cmaptools dan kelas yang menerapkan model pembelajaran inkuiri terbimbing tanpa Cmaptools. Penelitian ini menggunakan desain penelitian randomized control group pretest-postest selama tujuh hari. Sampel penelitian ini adalah siswa siswi kelas X-2 dan X-3 di salah satu SMA Negeri di Kota Bandung dengan jumlah masing-masing 38 dan 36 orang. Hasil penelitian menunjukkan bahwa skor rata-rata gain yang dinormalisi pada kelas yang menggunakan model pembelajaran inkuiri terbimbing menggunakan Cmaptools sebesar 0,68 dan tanpa bantuan Cmaptools 0,54. Berdasarkan uji beda rata-rata , pada taraf kepercayaan 95% hasil penelitian menunjukkan bahwa model pembelajaran inkuiri terbimbing baerbantuan Cmaptools secara signifikan dapat lebih meningkatkan kemampuan kognitif siswa dibandingkan model pembelajaran model inkuiri terbimbing tanpa Cmaptools. Hasil penelitian juga menunjukkan bahwa penerapan model pembelajaran inkuiri terbimbing berbantuan Cmaptools lebih dapat mempertahankan retensi siswa pada materi ajar listrik arus searah dibandingkan dengan penggunaan model pembelajaran inkuiri terbimbing tanpa berbantuan Cmaptools."

"Karya akhir ini membahas materi dan metode pembelajaran cerpen tingkat MTs. Penulisan karya akhir ini meliputi pemilihan materi cerpen, analisis unsur intrinsik, pembuatan silabus, merancang Rencana Pelaksanaan Pembelajaran (RPP) dan mendeskripsikan pembelajaran cerpen dengan materi dan metode yang variatif.Karya akhir ini menggunakan metode deskripsi dengan melakukan kajian pustaka. Materi ajar diimplementasikan dalam proses pembelajaran menggunakan metode diskusi untuk membahas tokoh dan penokohan, metode inkuiri membahas alur dan latar, dan metode sosiodrama membahas tema dan amanat.

---

This final paper discusses short story materials and teaching methods for MTs students. This paper aims to offer short story materials, intrinsic elements analysis, syllabus and lesson plan design (RPP), and describing teaching short story in more various method.This final paper applies descriptive method by conducting library study. In teaching activity, discussion method is carried to discuss character and characterization, inquiry method to elaborate plot and setting, and sociodrama method to scrutinize theme."